論文の概要: ML-Asset Management: Curation, Discovery, and Utilization

• arxiv url: http://arxiv.org/abs/2509.23577v1
• Date: Sun, 28 Sep 2025 02:14:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.300562
• Title: ML-Asset Management: Curation, Discovery, and Utilization
• Title（参考訳）: ML-Asset Management: キュレーション、発見、活用
• Authors: Mengying Wang, Moming Duan, Yicong Huang, Chen Li, Bingsheng He, Yinghui Wu,
• Abstract要約: モデル、データセット、メタデータなどの機械学習(ML)資産は、現代のMLの中心である。 実際には爆発的な成長にもかかわらず、これらの資産は、断片化されたドキュメント、ストレージ、一貫性のないライセンス、統一された発見メカニズムの欠如により、しばしば利用されていない。 このチュートリアルでは、カリキュラム、発見、利用など、ML-アセット管理アクティビティのライフサイクル全体について概観する。
• 参考スコア（独自算出の注目度）: 35.118192476112235
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning (ML) assets, such as models, datasets, and metadata, are central to modern ML workflows. Despite their explosive growth in practice, these assets are often underutilized due to fragmented documentation, siloed storage, inconsistent licensing, and lack of unified discovery mechanisms, making ML-asset management an urgent challenge. This tutorial offers a comprehensive overview of ML-asset management activities across its lifecycle, including curation, discovery, and utilization. We provide a categorization of ML assets, and major management issues, survey state-of-the-art techniques, and identify emerging opportunities at each stage. We further highlight system-level challenges related to scalability, lineage, and unified indexing. Through live demonstrations of systems, this tutorial equips both researchers and practitioners with actionable insights and practical tools for advancing ML-asset management in real-world and domain-specific settings.
• Abstract（参考訳）: モデル、データセット、メタデータなどの機械学習(ML)資産は、現代のMLワークフローの中心である。 実際には爆発的な成長にもかかわらず、これらの資産は、断片化されたドキュメント、サイロ化されたストレージ、一貫性のないライセンス、統一された発見メカニズムの欠如により、しばしば未利用である。 このチュートリアルでは、カリキュラム、発見、利用など、ML-アセット管理アクティビティのライフサイクル全体について概観する。 我々は、ML資産の分類、主要な管理問題、最先端技術の調査、各段階における新たな機会の特定を提供する。 拡張性、系統性、統合インデックス化に関するシステムレベルの課題をさらに強調する。 システムの実演を通じて、このチュートリアルは研究者と実践者の両方に実用的な洞察と実践的なツールを提供し、実世界およびドメイン固有の設定におけるML-アセット管理を前進させる。

関連論文リスト

• Agile Management for Machine Learning: A Systematic Mapping Study [1.0396117988046165]
  機械学習(ML)対応システムは私たちの社会に存在し、重要なデジタルトランスフォーメーションを推進しています。 ML開発のダイナミックな性質は、実験的なサイクルとデータの急激な変化によって特徴づけられ、従来のプロジェクト管理に課題をもたらします。 本研究の目的は,ML対応システムのアジャイル管理における技術の現状を概説することである。
  論文  参考訳（メタデータ） (2025-06-25T18:47:08Z)
• How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
  大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。 メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
  論文  参考訳（メタデータ） (2025-04-10T16:14:55Z)
• Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
  CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。 高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。 CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
  論文  参考訳（メタデータ） (2025-01-17T17:51:22Z)
• Towards Trustworthy Machine Learning in Production: An Overview of the Robustness in MLOps Approach [0.0]
  近年、AI研究者や実践家は、信頼性と信頼性のある意思決定を行うシステムを構築するための原則とガイドラインを導入している。 実際には、システムが運用され、実際の環境で継続的に進化し、運用するためにデプロイされる必要がある場合に、根本的な課題が発生する。 この課題に対処するため、MLOps(Machine Learning Operations)は、デプロイメントにおけるMLソリューションを標準化するための潜在的なレシピとして登場した。
  論文  参考訳（メタデータ） (2024-10-28T09:34:08Z)
• A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks [74.52259252807191]
  MLLM(Multimodal Large Language Models)は、単一のモダリティシステムの能力を超えた現実世界のアプリケーションの複雑さに対処する。 本稿では,自然言語,視覚,音声などのマルチモーダルタスクにおけるMLLMの応用を体系的に整理する。
  論文  参考訳（メタデータ） (2024-08-02T15:14:53Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• Reasonable Scale Machine Learning with Open-Source Metaflow [2.637746074346334]
  既存のツールを再購入しても、現在の生産性の問題は解決しない、と私たちは主張します。 私たちは、データ実践者の生産性を高めるために明示的に設計された、MLプロジェクトのためのオープンソースのフレームワークであるMetaflowを紹介します。
  論文  参考訳（メタデータ） (2023-03-21T11:28:09Z)
• Management of Machine Learning Lifecycle Artifacts: A Survey [7.106986689736826]
  機械学習ライフサイクルアーティファクトの管理を支援するシステムとプラットフォームの概要を述べる。 体系的なレビューに基づいて、評価基準を導出し、60以上のシステムやプラットフォームの代表的選択に適用する。
  論文  参考訳（メタデータ） (2022-10-21T09:23:12Z)
• Machine Learning Operations (MLOps): Overview, Definition, and Architecture [0.0]
  機械学習オペレーション(MLOps)のパラダイムは、この問題に対処する。 MLOpsはいまだ曖昧な用語であり、研究者や専門家にとっての結果は曖昧である。 必要なコンポーネントや役割、関連するアーキテクチャや原則をまとめて紹介します。
  論文  参考訳（メタデータ） (2022-05-04T19:38:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。